增量学习

对流数据拟合分类模型并跟踪其性能

增量学习，或在线学习，涉及处理来自数据流的传入数据，可能对预测变量的分布、目标函数的各个方面以及观察结果是否被标记的知识很少或没有。增量学习问题与传统机器学习方法不同，传统机器学习方法有足够的标记数据来拟合模型，进行交叉验证以调整超参数，并推断预测器分布特征。

增量学习需要配置的增量模型。例如，您可以通过调用对象直接创建和配置增量模型incrementalClassificationLinear，或者您可以使用以下方法将受支持的传统训练模型金宝app转换为增量学习者incrementalLearner．在配置模型和设置数据流之后，您可以将增量模型适应传入的数据块，跟踪模型的预测性能，或者同时执行这两种操作。

有关详细信息，请参见增量学习概述．

功能

全部展开

转换传统训练模式

线性二元分类模型

`incrementalLearner`	将二值分类支持向量机模型转换为增量学习器金宝app
`incrementalLearner`	将二元分类的线性模型转换为增量学习器

朴素贝叶斯模型

incrementalLearner 将朴素贝叶斯分类模型转化为增量学习器

增量健身和跟踪表现

线性二元分类模型

`适合`	为增量学习训练线性模型
`updateMetrics`	在线性模型中更新性能指标，为增量学习提供新的数据
`updateMetricsAndFit`	在给定新数据和训练模型的情况下，为增量学习更新线性模型的性能指标

朴素贝叶斯模型

`适合`	训练朴素贝叶斯分类模型进行增量学习
`updateMetrics`	更新朴素贝叶斯分类模型的性能指标，用于给定新数据的增量学习
`updateMetricsAndFit`	在给定新数据和训练模型的情况下，更新朴素贝叶斯分类模型的增量学习性能指标

其他模型操作

线性二元分类模型

`预测`	从增量学习的线性模型中预测对新观察的反应
`损失`	批数据增量学习的线性模型损失

朴素贝叶斯模型

`预测`	预测基于增量学习的朴素贝叶斯分类模型对新观测值的响应
`损失`	批数据增量学习中朴素贝叶斯分类模型的损失
`logp`	增量学习的朴素贝叶斯分类模型的对数无条件概率密度

对象

`incrementalClassificationLinear`	用于增量学习的二元分类线性模型
`incrementalClassificationNaiveBayes`	用于增量学习的朴素贝叶斯分类模型